CN116644856A - 基于增量深度时间卷积网络的多地貌风电场出力预测方法 - Google Patents

基于增量深度时间卷积网络的多地貌风电场出力预测方法 Download PDF

Info

Publication number
CN116644856A
CN116644856A CN202310688221.1A CN202310688221A CN116644856A CN 116644856 A CN116644856 A CN 116644856A CN 202310688221 A CN202310688221 A CN 202310688221A CN 116644856 A CN116644856 A CN 116644856A
Authority
CN
China
Prior art keywords
convolution
incremental
data
wind power
power plant
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310688221.1A
Other languages
English (en)
Inventor
谢平平
刘洋
杨银国
陆秋瑜
伍双喜
吴国炳
李力
闫斌杰
陈玥
林英明
戴月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202310688221.1A priority Critical patent/CN116644856A/zh
Publication of CN116644856A publication Critical patent/CN116644856A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于增量深度时间卷积网络的多地貌风电场出力预测方法，其方法包括：构建不同地貌风电场数据库；基于深度时间卷积网络及增量学习法，构建初步增量卷积神经网络；基于初步增量卷积神经网络对不同地貌风电场数据库中的数据进行学习并进行网络参数更新，得到增量卷积神经网络；将待预测风电场的气象数据、地形数据作为增量卷积神经网络输入，获取多地貌风电场出力预测结果。该方法通过构建增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，减少不同地貌风电场数据和时序数据特征的不平衡程度，且能够终身学习不同地貌风电场新增加的特征数据，从而提高风电场出力预测情况的精度和鲁棒性。

Description

基于增量深度时间卷积网络的多地貌风电场出力预测方法
技术领域
本发明涉及风电场出力预测技术领域，尤其是涉及一种基于增量深度时间卷积网络的多地貌风电场出力预测。
背景技术
风电场出力预测已经成为风电行业中一个非常重要的领域之一，由于风能存在不确定性和波动性，因此准确地预测风电场的发电量对于保证电网的稳定运行和优化风力发电效益至关重要，正确的预测风电场的出力情况可以帮助决策者更加合理地调度风电场，提高风力发电的效益，减少对传统发电资源的依赖，推动可再生能源的发展，同时，准确的风电场出力预测还可以为电网调度和规划提供可靠的参考依据，保证电网的平稳运行和优化管理。
目前，风电场出力预测的方法主要分为物理法、统计法、人工智能法，物理法虽然具有较高的科学性和可解释性，但是物理模型的建立需要准确的气象、风机等参数，且建模过程比较复杂，计算量大，需要专业技术人员进行操作，对于复杂的非线性系统难以建立有效的预测模型；基于统计学的预测方法是基于历史数据及经验规律来建立的，统计模型对历史数据的依赖性强，且无法有效处理大量的高维数据，对于气象条件、地域特征变化较大的风电场出力的预测结果精度较低；基于人工智能的方法也是基于历史数据而建立的，但它是从大量的历史数据中自动学习风电场出力与气象、风机等因素之间的非线性关系，相对于物理法和统计法，其预测精度较高，具有更好的通用性和适应性，但是现用于风电场出力预测的人工智能的方法需要将所有历史数据一次性输入模型进行训练，计算复杂度高、计算资源需求高，难以实时地学习新增的风电场数据，并且在处理不同地貌风电场数据的时序性方面存在一定的挑战。
发明内容
本发明旨在提供一种基于增量深度时间卷积网络的多地貌风电场出力预测方法，以解决上述技术问题，通过构建增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，减少不同地貌风电场数据和时序数据特征的不平衡程度，且能够终身学习不同地貌风电场新增加的特征数据，从而提高风电场出力预测情况的精度和鲁棒性。
为了解决上述技术问题，本发明提供了一种基于增量深度时间卷积网络的多地貌风电场出力预测方法，包括以下步骤：
收集不同地区的风电场气象数据、地形数据和各风电场出力数据，构建不同地貌风电场数据库；
基于深度时间卷积网络及增量学习法，构建初步增量卷积神经网络，以使初步增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，且能够终身学习不同地貌风电场新增加的特征数据；
基于初步增量卷积神经网络对不同地貌风电场数据库中的数据进行学习并进行网络参数更新，得到增量卷积神经网络；
将待预测风电场的气象数据、地形数据作为增量卷积神经网络输入，获取多地貌风电场出力预测结果。
上述方案通过构建增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，减少不同地貌风电场数据和时序数据特征的不平衡程度，且能够终身学习不同地貌风电场新增加的特征数据，从而提高风电场出力预测情况的精度和鲁棒性。
进一步地，所述深度时间卷积网络及增量学习法，构建初步增量卷积神经网络，以使初步增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，且能够终身学习不同地貌风电场新增加的特征数据，具体为：
所述深度时间卷积网络由膨胀因果卷积单元、残差单元、一个平均池化层、全连接层和softmax层构成，每一个膨胀因果卷积单元由多个一维膨胀因果卷积层组成，一维膨胀因果卷积网络通过设置不同卷积核大小和膨胀系数的组合，来控制感受野的扩张程度，从而提高对不同地貌风电场的特性和时序变化信息的捕捉能力，其中：
假设一个膨胀因果卷积单元的输入风电场气象数据和地形数据为x，采用一维膨胀因果卷积网络从时间序列数据中提取特征，则膨胀因果卷积单元的特征输出z为：
式中，σ(·)为ReLU激活函数，i是用于遍历卷积核在第l层中位置的索引，k是卷积核的大小，是权重参数，d为膨胀因子，d×i为膨胀卷积中卷积核在每个位置i处对应的时间步，t表示时间序列数据x中的时间步，xt-d×i为距离当前位置t为d×i的时间步上的输入数据，I表示一个指示函数，当时间步t大于d×i时为1，否则为0，bl是第l层的偏置项；每个残差单元由两个膨胀因果卷积单元、一个一维卷积层和跳跃连接组成，残差单元的输出F表示为：
F＝Z(x)+f(x)
式中，Z(x)表示输入序列x经过两个膨胀因果卷积单元后的输出，f(x)表示输入序列x经过一个一维卷积层的输出；对输入的风电场气象数据和地形数据进行特征提取后，采用平均池化层对提取到的时序系列数据沿时间轴方向进行压缩，生成一个固定长度的输出向量，经过全连接层和softmax层后得到风电场的出力预测值；
在所述深度时间卷积网络的基础上，基于增量学习法，构建初步增量卷积神经网络，以使其能够终身学习不同地貌风电场新增加的特征数据。
进一步地，所述在所述深度时间卷积网络的基础上，基于增量学习法，构建初步增量卷积神经网络，以使其能够终身学习不同地貌风电场新增加的特征数据，具体为：
将深度时间卷积网络作为初始模型，基于增量学习法在初始模型损失函数上增加一个正则项，其中包括每个参数的重要性权重和当前模型参数与初始模型参数的平均值之间的差异，以构建初步增量卷积神经网络，初步增量卷积神经网络损失函数表示为：
式中，N为样本数量，yi为第i个样本的真实值，Yi为第i个样本的预测值，λ为正则化系数，m为模型参数的数量，wj为第j个参数的重要性权重，θj表示当前模型第j个参数的当前值，θold表示初始模型参数的平均值；当前模型的第j个参数的更新为：
式中，α为学习率，为损失函数L对第个j参数求偏导；通过对初始模型的持续更新，构建的初步增量卷积神经网络能够终身学习不同地貌风电场新增加的特征数据。
进一步地，所述收集不同地区的风电场气象数据、地形数据和各风电场出力数据，构建不同地貌风电场数据库，具体为：
收集不同地区的风电场气象数据、地形数据和各风电场出力数据；
对风电场气象数据、地形数据和各风电场出力数据进行检查与修正，将数据的数据格式及采样频率进行统一；
基于统一后的风电场气象数据、地形数据和各风电场出力数据构建不同地貌风电场数据库。
上述方案中，对风电场气象数据、地形数据和各风电场出力数据进行检查与修正，将数据的数据格式及采样频率进行统一，可以确保数据的准确性、完整性和一致性，以使后续更新的增量卷积神经网络性能更加。
上述方案提供的一种基于增量深度时间卷积网络的多地貌风电场出力预测方法，其可以同时预测多个风电场的出力情况，且可以从多个角度、多个尺度上提取丰富的时序特征，提高预测精度和稳定性；该方案还可以自适应地学习并处理不同地形、不同气象条件的数据，更加准确地预测风电场的出力情况。
本发明提供一种基于增量卷积神经网络的风电场出力预测系统，用于实现一种基于增量深度时间卷积网络的多地貌风电场出力预测方法，其包括：
数据库构建模块，用于收集不同地区的风电场气象数据、地形数据和各风电场出力数据，构建不同地貌风电场数据库；
初步增量卷积神经网络构建模块，用于基于深度时间卷积网络及增量学习法，构建初步增量卷积神经网络，以使初步增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，且能够终身学习不同地貌风电场新增加的特征数据；
增量卷积神经网络更新模块，用于基于初步增量卷积神经网络对不同地貌风电场数据库中的数据进行学习并进行网络参数更新，得到增量卷积神经网络；
预测模块，用于将待预测风电场的气象数据、地形数据作为增量卷积神经网络输入，获取多地貌风电场出力预测结果。
上述系统架构简单，实现方便，其通过构建增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，减少不同地貌风电场数据和时序数据特征的不平衡程度，且能够终身学习不同地貌风电场新增加的特征数据，从而提高风电场出力预测情况的精度和鲁棒性。
进一步地，所述初步增量卷积神经网络构建模块，用于基于深度时间卷积网络及增量学习法，构建初步增量卷积神经网络，以使初步增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，且能够终身学习不同地貌风电场新增加的特征数据，具体为：
所述深度时间卷积网络由膨胀因果卷积单元、残差单元、一个平均池化层、全连接层和softmax层构成，每一个膨胀因果卷积单元由多个一维膨胀因果卷积层组成，一维膨胀因果卷积网络通过设置不同卷积核大小和膨胀系数的组合，来控制感受野的扩张程度，从而提高对不同地貌风电场的特性和时序变化信息的捕捉能力，其中：
假设一个膨胀因果卷积单元的输入风电场气象数据和地形数据为x，采用一维膨胀因果卷积网络从时间序列数据中提取特征，则膨胀因果卷积单元的特征输出z为：
式中，σ(·)为ReLU激活函数，i是用于遍历卷积核在第l层中位置的索引，k是卷积核的大小，是权重参数，d为膨胀因子，d×i为膨胀卷积中卷积核在每个位置i处对应的时间步，t表示时间序列数据x中的时间步，xt-d×i为距离当前位置t为d×i的时间步上的输入数据，I表示一个指示函数，当时间步t大于d×i时为1，否则为0，bl是第l层的偏置项；每个残差单元由两个膨胀因果卷积单元、一个一维卷积层和跳跃连接组成，残差单元的输出F表示为：
F＝Z(x)+f(x)
式中，Z(x)表示输入序列x经过两个膨胀因果卷积单元后的输出，f(x)表示输入序列x经过一个一维卷积层的输出；对输入的风电场气象数据和地形数据进行特征提取后，采用平均池化层对提取到的时序系列数据沿时间轴方向进行压缩，生成一个固定长度的输出向量，经过全连接层和softmax层后得到风电场的出力预测值；
在所述深度时间卷积网络的基础上，基于增量学习法，构建初步增量卷积神经网络，以使其能够终身学习不同地貌风电场新增加的特征数据。
进一步地，在所述初步增量卷积神经网络构建模块中，所述在所述深度时间卷积网络的基础上，基于增量学习法，构建初步增量卷积神经网络，以使其能够终身学习不同地貌风电场新增加的特征数据，具体为：
将深度时间卷积网络作为初始模型，基于增量学习法在初始模型损失函数上增加一个正则项，其中包括每个参数的重要性权重和当前模型参数与初始模型参数的平均值之间的差异，以构建初步增量卷积神经网络，初步增量卷积神经网络损失函数表示为：
式中，N为样本数量，yi为第i个样本的真实值，Yi为第i个样本的预测值，λ为正则化系数，m为模型参数的数量，wj为第j个参数的重要性权重，θj表示当前模型第j个参数的当前值，θold表示初始模型参数的平均值；当前模型的第j个参数的更新为：
式中，α为学习率，为损失函数L对第个j参数求偏导；通过对初始模型的持续更新，构建的初步增量卷积神经网络能够终身学习不同地貌风电场新增加的特征数据。
进一步地，所述数据库构建模块，用于收集不同地区的风电场气象数据、地形数据和各风电场出力数据，构建不同地貌风电场数据库，具体为：
收集不同地区的风电场气象数据、地形数据和各风电场出力数据；
对风电场气象数据、地形数据和各风电场出力数据进行检查与修正，将数据的数据格式及采样频率进行统一；
基于统一后的风电场气象数据、地形数据和各风电场出力数据构建不同地貌风电场数据库。
本发明提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现一种基于增量深度时间卷积网络的多地貌风电场出力预测方法。
本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一种基于增量深度时间卷积网络的多地貌风电场出力预测方法。
附图说明
图1为本发明一实施例提供的一种基于增量深度时间卷积网络的多地貌风电场出力预测方法流程示意图；
图2为本发明一实施例提供的一种一维膨胀因果卷积网络结构示意图；
图3为本发明一实施例提供的一种卷积单元和残差单元的结构示意图；
图4为本发明一实施例提供的一种多地貌风电场出力预测控制框架示意图；
图5为本发明一实施例提供的一种基于增量深度时间卷积网络的多地貌风电场出力预测系统架构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，本实施例提供一种基于增量深度时间卷积网络的多地貌风电场出力预测方法，包括以下步骤：
S1：收集不同地区的风电场气象数据、地形数据和各风电场出力数据，构建不同地貌风电场数据库；
S2：基于深度时间卷积网络及增量学习法，构建初步增量卷积神经网络，以使初步增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，且能够终身学习不同地貌风电场新增加的特征数据；
S3：基于初步增量卷积神经网络对不同地貌风电场数据库中的数据进行学习并进行网络参数更新，得到增量卷积神经网络；
S4：将待预测风电场的气象数据、地形数据作为增量卷积神经网络输入，获取多地貌风电场出力预测结果。
本实施例通过构建增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，减少不同地貌风电场数据和时序数据特征的不平衡程度，且能够终身学习不同地貌风电场新增加的特征数据，从而提高风电场出力预测情况的精度和鲁棒性。
进一步地，所述深度时间卷积网络及增量学习法，构建初步增量卷积神经网络，以使初步增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，且能够终身学习不同地貌风电场新增加的特征数据，具体为：
所述深度时间卷积网络由膨胀因果卷积单元、残差单元、一个平均池化层、全连接层和softmax层构成，每一个膨胀因果卷积单元由多个一维膨胀因果卷积层组成，一维膨胀因果卷积网络通过设置不同卷积核大小和膨胀系数的组合，来控制感受野的扩张程度，从而提高对不同地貌风电场的特性和时序变化信息的捕捉能力，其中：
假设一个膨胀因果卷积单元的输入风电场气象数据和地形数据为x，采用一维膨胀因果卷积网络从时间序列数据中提取特征，则膨胀因果卷积单元的特征输出z为：
式中，σ(·)为ReLU激活函数，i是用于遍历卷积核在第l层中位置的索引，k是卷积核的大小，是权重参数，d为膨胀因子，d×i为膨胀卷积中卷积核在每个位置i处对应的时间步，t表示时间序列数据x中的时间步，xt-d×i为距离当前位置t为d×i的时间步上的输入数据，I表示一个指示函数，当时间步t大于d×i时为1，否则为0，bl是第l层的偏置项；每个残差单元由两个膨胀因果卷积单元、一个一维卷积层和跳跃连接组成，残差单元的输出F表示为：
F＝Z(x)+f(x)
式中，Z(x)表示输入序列x经过两个膨胀因果卷积单元后的输出，f(x)表示输入序列x经过一个一维卷积层的输出；对输入的风电场气象数据和地形数据进行特征提取后，采用平均池化层对提取到的时序系列数据沿时间轴方向进行压缩，生成一个固定长度的输出向量，经过全连接层和softmax层后得到风电场的出力预测值；
在所述深度时间卷积网络的基础上，基于增量学习法，构建初步增量卷积神经网络，以使其能够终身学习不同地貌风电场新增加的特征数据。
为了进一步细化本发明的技术特征，凸显其技术优势，本实施例具体提供一种一维膨胀因果卷积网络结构。一维膨胀因果卷积网络通过设置不同卷积核大小和膨胀系数的组合，来控制感受野的扩张程度，从而提高对输入序列的信息提取能力。图2中，设置一维膨胀因果卷积网络的卷积核的大小为3，膨胀系数分别为1、2和4来说明一维膨胀因果卷积网络；首先将不同地区的风电场气象数据、地形数据和出力数据进行零填充，得到扩展后的输入序列，并将输入序列输入到网络中，根据不同的时间步对输入的序列进行采样，每一个网络层的采样频率都不一样，具体的来说，膨胀系数设置为1时，表示将上一层的所有数据进行采样，每一次采3个数据点，膨胀系数设置为2时，表示隔一个数据点再进行采样，每一次采3个数据点，膨胀系数设置为4时，表示隔3个数据点再进行采样，每次采三个数据点，最后得到一维膨胀因果卷积网络的输出。
进一步地，请参见图3，本实施例还具体提供一种卷积单元和残差单元的结构。每一个残差单元由两个卷积单元和一个一维全卷积网络构成。在残差单元中，第一个卷积单元对输入的特征数据先进行一维膨胀因果卷积操作，然后将权重进行归一化处理，再使用ReLU激活函数进行非线性映射，最后进行正则化操作，得到第一个卷积单元的特征输出，得到的特征输出作为第二个卷积单元的输入，第二个卷积单元再对第一个卷积单元的输出进行类似的操作，得到第二个卷积单元的特征输出，最后，将第二卷积单元的输出和一维全卷积网络的输出相加得到的值作为残差单元的输出。
进一步地，所述在所述深度时间卷积网络的基础上，基于增量学习法，构建初步增量卷积神经网络，以使其能够终身学习不同地貌风电场新增加的特征数据，具体为：
将深度时间卷积网络作为初始模型，基于增量学习法在初始模型损失函数上增加一个正则项，其中包括每个参数的重要性权重和当前模型参数与初始模型参数的平均值之间的差异，以构建初步增量卷积神经网络，初步增量卷积神经网络损失函数表示为：
式中，N为样本数量，yi为第i个样本的真实值，Yi为第i个样本的预测值，λ为正则化系数，m为模型参数的数量，wj为第j个参数的重要性权重，θj表示当前模型第j个参数的当前值，θold表示初始模型参数的平均值；当前模型的第j个参数的更新为：
式中，α为学习率，为损失函数L对第个j参数求偏导；通过对初始模型的持续更新，构建的初步增量卷积神经网络能够终身学习不同地貌风电场新增加的特征数据。
为了进一步细化本发明的技术特征，凸显其技术优势，本实施例具体提供一种用于实现多地貌风电场出力预测方法的控制框架，具体可参见图4。首先采集不同地貌风电场的气象数据、地形数据和出力数据，并将这些数据存放到数据库中，这些数据按时间先后顺序划分为历史数据和新增数据，历史数据用来训练增量深度时间卷积网络模型，经过训练后，增量深度时间卷积网络模型根据新增气象数据和地形数据预测不同地貌风电场的出力情况；之后，增量深度时间卷积网络模型对新增的数据进行学习，在学习过程中能够自适应的更新自身的网络参数，从而逐渐适应不同风电场的出力特征和环境变化，从而提高不同地貌风电场出力预测精度。
本实施例采用时间卷积层的方式处理时间序列数据，能够捕捉气象数据和风电场出力之间的时序关系，在保证预测准确性的同时提高计算效率；其次，该控制架构考虑不同地貌风电场的特征差异，使得模型更好的适应不同地域的数据特点，同时，该方法具有增量学习的能力，在已有的预测模型的基础上，可随着新数据的到来不断更新和优化模型，能够更精准地预测不同地貌的风电场的出来情况。
进一步地，所述收集不同地区的风电场气象数据、地形数据和各风电场出力数据，构建不同地貌风电场数据库，具体为：
收集不同地区的风电场气象数据、地形数据和各风电场出力数据；
对风电场气象数据、地形数据和各风电场出力数据进行检查与修正，将数据的数据格式及采样频率进行统一；
基于统一后的风电场气象数据、地形数据和各风电场出力数据构建不同地貌风电场数据库。
在本实施例中，对风电场气象数据、地形数据和各风电场出力数据进行检查与修正，将数据的数据格式及采样频率进行统一，可以确保数据的准确性、完整性和一致性，以使后续更新的增量卷积神经网络性能更加。
本实施例提供的一种基于增量深度时间卷积网络的多地貌风电场出力预测方法，其可以同时预测多个风电场的出力情况，且可以从多个角度、多个尺度上提取丰富的时序特征，提高预测精度和稳定性；该方案还可以自适应地学习并处理不同地形、不同气象条件的数据，更加准确地预测风电场的出力情况。
请参见图5，本实施例提供一种基于增量深度时间卷积网络的多地貌风电场出力预测系统，用于实现一种基于增量深度时间卷积网络的多地貌风电场出力预测方法，其包括：
数据库构建模块，用于收集不同地区的风电场气象数据、地形数据和各风电场出力数据，构建不同地貌风电场数据库；
初步增量卷积神经网络构建模块，用于基于深度时间卷积网络及增量学习法，构建初步增量卷积神经网络，以使初步增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，且能够终身学习不同地貌风电场新增加的特征数据；
增量卷积神经网络更新模块，用于基于初步增量卷积神经网络对不同地貌风电场数据库中的数据进行学习并进行网络参数更新，得到增量卷积神经网络；
预测模块，用于将待预测风电场的气象数据、地形数据作为增量卷积神经网络输入，获取多地貌风电场出力预测结果。
本实施例提供的系统架构简单，实现方便，其通过构建增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，减少不同地貌风电场数据和时序数据特征的不平衡程度，且能够终身学习不同地貌风电场新增加的特征数据，从而提高风电场出力预测情况的精度和鲁棒性。
进一步地，所述初步增量卷积神经网络构建模块，用于基于深度时间卷积网络及增量学习法，构建初步增量卷积神经网络，以使初步增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，且能够终身学习不同地貌风电场新增加的特征数据，具体为：
所述深度时间卷积网络由膨胀因果卷积单元、残差单元、一个平均池化层、全连接层和softmax层构成，每一个膨胀因果卷积单元由多个一维膨胀因果卷积层组成，一维膨胀因果卷积网络通过设置不同卷积核大小和膨胀系数的组合，来控制感受野的扩张程度，从而提高对不同地貌风电场的特性和时序变化信息的捕捉能力，其中：
假设一个膨胀因果卷积单元的输入风电场气象数据和地形数据为x，采用一维膨胀因果卷积网络从时间序列数据中提取特征，则膨胀因果卷积单元的特征输出z为：
式中，σ(·)为ReLU激活函数，i是用于遍历卷积核在第l层中位置的索引，k是卷积核的大小，是权重参数，d为膨胀因子，d×i为膨胀卷积中卷积核在每个位置i处对应的时间步，t表示时间序列数据x中的时间步，xt-d×i为距离当前位置t为d×i的时间步上的输入数据，I表示一个指示函数，当时间步t大于d×i时为1，否则为0，bl是第l层的偏置项；每个残差单元由两个膨胀因果卷积单元、一个一维卷积层和跳跃连接组成，残差单元的输出F表示为：
F＝Z(x)+f(x)
式中，Z(x)表示输入序列x经过两个膨胀因果卷积单元后的输出，f(x)表示输入序列x经过一个一维卷积层的输出；对输入的风电场气象数据和地形数据进行特征提取后，采用平均池化层对提取到的时序系列数据沿时间轴方向进行压缩，生成一个固定长度的输出向量，经过全连接层和softmax层后得到风电场的出力预测值；
在所述深度时间卷积网络的基础上，基于增量学习法，构建初步增量卷积神经网络，以使其能够终身学习不同地貌风电场新增加的特征数据。
进一步地，在所述初步增量卷积神经网络构建模块中，所述在所述深度时间卷积网络的基础上，基于增量学习法，构建初步增量卷积神经网络，以使其能够终身学习不同地貌风电场新增加的特征数据，具体为：
将深度时间卷积网络作为初始模型，基于增量学习法在初始模型损失函数上增加一个正则项，其中包括每个参数的重要性权重和当前模型参数与初始模型参数的平均值之间的差异，以构建初步增量卷积神经网络，初步增量卷积神经网络损失函数表示为：
式中，N为样本数量，yi为第i个样本的真实值，Yi为第i个样本的预测值，λ为正则化系数，m为模型参数的数量，wj为第j个参数的重要性权重，θj表示当前模型第j个参数的当前值，θold表示初始模型参数的平均值；当前模型的第j个参数的更新为：
式中，α为学习率，为损失函数L对第个j参数求偏导；通过对初始模型的持续更新，构建的初步增量卷积神经网络能够终身学习不同地貌风电场新增加的特征数据。
进一步地，所述数据库构建模块，用于收集不同地区的风电场气象数据、地形数据和各风电场出力数据，构建不同地貌风电场数据库，具体为：
收集不同地区的风电场气象数据、地形数据和各风电场出力数据；
对风电场气象数据、地形数据和各风电场出力数据进行检查与修正，将数据的数据格式及采样频率进行统一；
基于统一后的风电场气象数据、地形数据和各风电场出力数据构建不同地貌风电场数据库。
本实施例提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现一种基于增量深度时间卷积网络的多地貌风电场出力预测方法。
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一种基于增量深度时间卷积网络的多地貌风电场出力预测方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.基于增量深度时间卷积网络的多地貌风电场出力预测方法，其特征在于，包括以下步骤：
收集不同地区的风电场气象数据、地形数据和各风电场出力数据，构建不同地貌风电场数据库；
基于深度时间卷积网络及增量学习法，构建初步增量卷积神经网络，以使初步增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，且能够终身学习不同地貌风电场新增加的特征数据；
基于初步增量卷积神经网络对不同地貌风电场数据库中的数据进行学习并进行网络参数更新，得到增量卷积神经网络；
将待预测风电场的气象数据、地形数据作为增量卷积神经网络输入，获取多地貌风电场出力预测结果。
2.根据权利要求1所述的基于增量深度时间卷积网络的多地貌风电场出力预测方法，其特征在于，所述深度时间卷积网络及增量学习法，构建初步增量卷积神经网络，以使初步增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，且能够终身学习不同地貌风电场新增加的特征数据，具体为：
所述深度时间卷积网络由膨胀因果卷积单元、残差单元、一个平均池化层、全连接层和softmax层构成，每一个膨胀因果卷积单元由多个一维膨胀因果卷积层组成，一维膨胀因果卷积网络通过设置不同卷积核大小和膨胀系数的组合，来控制感受野的扩张程度，从而提高对不同地貌风电场的特性和时序变化信息的捕捉能力，其中：
假设一个膨胀因果卷积单元的输入风电场气象数据和地形数据为x，采用一维膨胀因果卷积网络从时间序列数据中提取特征，则膨胀因果卷积单元的特征输出z为：
式中，σ(·)为ReLU激活函数，i是用于遍历卷积核在第l层中位置的索引，k是卷积核的大小，是权重参数，d为膨胀因子，d×i为膨胀卷积中卷积核在每个位置i处对应的时间步，t表示时间序列数据x中的时间步，xt-d×i为距离当前位置t为d×i的时间步上的输入数据，I表示一个指示函数，当时间步t大于d×i时为1，否则为0，bl是第l层的偏置项；每个残差单元由两个膨胀因果卷积单元、一个一维卷积层和跳跃连接组成，残差单元的输出F表示为：
F＝Z(x)+f(x)
式中，Z(x)表示输入序列x经过两个膨胀因果卷积单元后的输出，f(x)表示输入序列x经过一个一维卷积层的输出；对输入的风电场气象数据和地形数据进行特征提取后，采用平均池化层对提取到的时序系列数据沿时间轴方向进行压缩，生成一个固定长度的输出向量，经过全连接层和softmax层后得到风电场的出力预测值；
在所述深度时间卷积网络的基础上，基于增量学习法，构建初步增量卷积神经网络，以使其能够终身学习不同地貌风电场新增加的特征数据。
3.根据权利要求2所述的基于增量深度时间卷积网络的多地貌风电场出力预测方法，其特征在于，所述在所述深度时间卷积网络的基础上，基于增量学习法，构建初步增量卷积神经网络，以使其能够终身学习不同地貌风电场新增加的特征数据，具体为：
将深度时间卷积网络作为初始模型，基于增量学习法在初始模型损失函数上增加一个正则项，其中包括每个参数的重要性权重和当前模型参数与初始模型参数的平均值之间的差异，以构建初步增量卷积神经网络，初步增量卷积神经网络损失函数表示为：
式中，N为样本数量，yi为第i个样本的真实值，Yi为第i个样本的预测值，λ为正则化系数，m为模型参数的数量，wj为第j个参数的重要性权重，θj表示当前模型第j个参数的当前值，θold表示初始模型参数的平均值；当前模型的第j个参数的更新为：
式中，α为学习率，为损失函数L对第个j参数求偏导；通过对初始模型的持续更新，构建的初步增量卷积神经网络能够终身学习不同地貌风电场新增加的特征数据。
4.根据权利要求1～3任一项所述的基于增量深度时间卷积网络的多地貌风电场出力预测方法，其特征在于，所述收集不同地区的风电场气象数据、地形数据和各风电场出力数据，构建不同地貌风电场数据库，具体为：
收集不同地区的风电场气象数据、地形数据和各风电场出力数据；
对风电场气象数据、地形数据和各风电场出力数据进行检查与修正，将数据的数据格式及采样频率进行统一；
基于统一后的风电场气象数据、地形数据和各风电场出力数据构建不同地貌风电场数据库。
5.基于增量深度时间卷积网络的多地貌风电场出力预测系统，其特征在于，包括：
数据库构建模块，用于收集不同地区的风电场气象数据、地形数据和各风电场出力数据，构建不同地貌风电场数据库；
初步增量卷积神经网络构建模块，用于基于深度时间卷积网络及增量学习法，构建初步增量卷积神经网络，以使初步增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，且能够终身学习不同地貌风电场新增加的特征数据；
增量卷积神经网络更新模块，用于基于初步增量卷积神经网络对不同地貌风电场数据库中的数据进行学习并进行网络参数更新，得到增量卷积神经网络；
预测模块，用于将待预测风电场的气象数据、地形数据作为增量卷积神经网络输入，获取多地貌风电场出力预测结果。
6.根据权利要求5所述的基于增量深度时间卷积网络的多地貌风电场出力预测系统，其特征在于，所述初步增量卷积神经网络构建模块，用于基于深度时间卷积网络及增量学习法，构建初步增量卷积神经网络，以使初步增量卷积神经网络更好地捕捉不同地貌风电场的特性和时序变化信息，且能够终身学习不同地貌风电场新增加的特征数据，具体为：
所述深度时间卷积网络由膨胀因果卷积单元、残差单元、一个平均池化层、全连接层和softmax层构成，每一个膨胀因果卷积单元由多个一维膨胀因果卷积层组成，一维膨胀因果卷积网络通过设置不同卷积核大小和膨胀系数的组合，来控制感受野的扩张程度，从而提高对不同地貌风电场的特性和时序变化信息的捕捉能力，其中：
假设一个膨胀因果卷积单元的输入风电场气象数据和地形数据为x，采用一维膨胀因果卷积网络从时间序列数据中提取特征，则膨胀因果卷积单元的特征输出z为：
式中，σ(·)为ReLU激活函数，i是用于遍历卷积核在第l层中位置的索引，k是卷积核的大小，是权重参数，d为膨胀因子，d×i为膨胀卷积中卷积核在每个位置i处对应的时间步，t表示时间序列数据x中的时间步，xt-d×i为距离当前位置t为d×i的时间步上的输入数据，I表示一个指示函数，当时间步t大于d×i时为1，否则为0，bl是第l层的偏置项；每个残差单元由两个膨胀因果卷积单元、一个一维卷积层和跳跃连接组成，残差单元的输出F表示为：
F＝Z(x)+f(x)
式中，Z(x)表示输入序列x经过两个膨胀因果卷积单元后的输出，f(x)表示输入序列x经过一个一维卷积层的输出；对输入的风电场气象数据和地形数据进行特征提取后，采用平均池化层对提取到的时序系列数据沿时间轴方向进行压缩，生成一个固定长度的输出向量，经过全连接层和softmax层后得到风电场的出力预测值；
在所述深度时间卷积网络的基础上，基于增量学习法，构建初步增量卷积神经网络，以使其能够终身学习不同地貌风电场新增加的特征数据。
7.根据权利要求6所述的基于增量深度时间卷积网络的多地貌风电场出力预测系统，其特征在于，在所述初步增量卷积神经网络构建模块中，所述在所述深度时间卷积网络的基础上，基于增量学习法，构建初步增量卷积神经网络，以使其能够终身学习不同地貌风电场新增加的特征数据，具体为：
将深度时间卷积网络作为初始模型，基于增量学习法在初始模型损失函数上增加一个正则项，其中包括每个参数的重要性权重和当前模型参数与初始模型参数的平均值之间的差异，以构建初步增量卷积神经网络，初步增量卷积神经网络损失函数表示为：
式中，N为样本数量，yi为第i个样本的真实值，Yi为第i个样本的预测值，λ为正则化系数，m为模型参数的数量，wj为第j个参数的重要性权重，θj表示当前模型第j个参数的当前值，θold表示初始模型参数的平均值；当前模型的第j个参数的更新为：
式中，α为学习率，为损失函数L对第个j参数求偏导；通过对初始模型的持续更新，构建的初步增量卷积神经网络能够终身学习不同地貌风电场新增加的特征数据。
8.根据权利要求5～7任一项所述的基于增量深度时间卷积网络的多地貌风电场出力预测系统，其特征在于，所述数据库构建模块，用于收集不同地区的风电场气象数据、地形数据和各风电场出力数据，构建不同地貌风电场数据库，具体为：
收集不同地区的风电场气象数据、地形数据和各风电场出力数据；
对风电场气象数据、地形数据和各风电场出力数据进行检查与修正，将数据的数据格式及采样频率进行统一；
基于统一后的风电场气象数据、地形数据和各风电场出力数据构建不同地貌风电场数据库。
9.一种计算机终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至4任一项所述的基于增量深度时间卷积网络的多地貌风电场出力预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的基于增量深度时间卷积网络的多地貌风电场出力预测方法。
CN202310688221.1A 2023-06-09 2023-06-09 基于增量深度时间卷积网络的多地貌风电场出力预测方法 Pending CN116644856A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310688221.1A CN116644856A (zh) 2023-06-09 2023-06-09 基于增量深度时间卷积网络的多地貌风电场出力预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310688221.1A CN116644856A (zh) 2023-06-09 2023-06-09 基于增量深度时间卷积网络的多地貌风电场出力预测方法

Publications (1)

Publication Number Publication Date
CN116644856A true CN116644856A (zh) 2023-08-25

Family

ID=87639871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310688221.1A Pending CN116644856A (zh) 2023-06-09 2023-06-09 基于增量深度时间卷积网络的多地貌风电场出力预测方法

Country Status (1)

Country Link
CN (1) CN116644856A (zh)

Similar Documents

Publication Publication Date Title
CN113128793A (zh) 一种基于多源数据融合的光伏功率组合预测方法及系统
CN107944648B (zh) 一种大型船舶航速油耗率预测方法
CN117394306B (zh) 基于新能源并网的风电功率预测模型建立方法及其应用
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN115907131B (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
CN116485049B (zh) 一种基于人工智能的电能计量误差预测与优化系统
CN114298140A (zh) 一种考虑机组分类的风电短期功率预测校正方法
CN114139783A (zh) 基于非线性加权组合的风电短期功率预测方法及装置
CN116128168A (zh) 基于因果扩充卷积和Autoformer的气象预测法
CN116470491A (zh) 基于copula函数的光伏功率概率预测方法及系统
CN114004152B (zh) 基于图卷积和循环神经网络的多风场风速时空预测方法
CN113095547B (zh) 一种基于gra-lstm-ice模型的短期风功率预测方法
CN118133201A (zh) 一种基于特征选择的轻梯度提升机风电功率预测方法及装置
CN117134315A (zh) 一种基于bert算法的配电变压器负荷预测方法及装置
CN113780644B (zh) 一种基于在线学习的光伏出力预测方法
CN116644856A (zh) 基于增量深度时间卷积网络的多地貌风电场出力预测方法
CN115965134A (zh) 一种区域电网风力发电功率预测优化方法
CN113792919B (zh) 一种基于迁移学习深度学习相结合的风电功率预测方法
CN110175639B (zh) 一种基于特征选取的短期风电功率预测方法
CN114254828A (zh) 一种基于混合卷积特征提取器和gru的电力负荷预测方法
CN116342077B (zh) 一种适用于数据缺失场站的新能源功率迁移学习预测方法
CN110543724A (zh) 面向总体设计的卫星结构性能预测方法
CN118536407B (zh) 一种基于符号动态分析的海面风速预测算法及系统
CN118643972A (zh) 一种光伏网络拓扑自动建模方法、系统、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination